一种基于软件无线电和胶囊神经网络的通信信号识别方法

1.本发明涉及一种基于软件无线电和胶囊神经网络的通信信号识别方法，属于通信信号识别技术领域。


背景技术：

2.在现代无线通信背景下，通信资源日益匮乏，信道环境愈加复杂，有限频率范围内的信号调制方式也愈加多样化。传统的通信系统调制模式一般比较简单，接收机只要在已知的调制模式上进行接收，不需要进行调制模式识别。现在的无线电已经无法由传统的接收方法进行处理，因此如何在复杂的无线通信环境中获取并识别出无线通信信号调制方式，是当前研究的热点。
3.常见的通信信号识别方法有贝叶斯分类器、决策树分类算法以及卷积神经网络算法。贝叶斯分类器，虽然理论上没有什么问题，但是在实际中，需要知道数据的确切分布概率，这是无法完成的。并且其贝叶斯最优假设的计算代价是非常大的。决策树分类算法，虽然原理简单易生成，但是当数据的类别太多的时候，可能会产生比较多的误差以及测试数据属性值空缺时，决策树无法处理。这是一种自上而下的贪心算法，可能是局部的最优解，不一定适合整体的最优考虑。卷积神经网络算法，虽然是近年来研究比较多的一种，但是其需要庞大的数据准备量，训练时间较长以及神经结构知识经验不足，当数据量庞大时卷积神经网络又具有识别精度不高且神经网络泛化能力不足等问题。


技术实现要素：

4.目的：为了克服现有技术中存在的不足，本发明提供一种基于软件无线电和胶囊神经网络的基于软件无线电和胶囊神经网络的通信信号识别方法，不仅可以通过软件无线电的软件系统平台和通用硬件外设等生成庞大且符合需要的数据集，还可以通过一种具有拓扑结构的胶囊神经网络实行多支路工作，从而提高神经网络结构性能。
5.以及本发明提出的胶囊神经网络可以实现比其他神经网络更好的精度，本文还提出使用真实信道数据集与仿真信道数据集对胶囊网络进行优化，可以提高神经网络的泛化能力。
6.技术方案：为解决上述技术问题，本发明采用的技术方案为：
7.第一方面，本发明提供一种通信信号识别方法，包括：
8.s1.利用软件无线电平台生成通信信号数据；
9.s2.所述通信信号数据通过软件无线电平台进行信道仿真、发送接收得到仿真信道数据集和真实信道数据集；
10.s3.对所述仿真信道数据集和真实信道数据集中的信道数据进行预处理和特征提取，根据提取到的特征的判断标准得到信号类别，并将对应的信道数据的信号类别进行标注；
11.s4.根据标注后的仿真信道数据集和真实信道数据集构建训练集和测试集；
12.s5.利用所述训练集和测试集对胶囊神经网络进行训练，得到训练好的胶囊神经网络；
13.s6.将目标通信信号输入训练好的胶囊神经网络，获得目标通信信号的识别结果。
14.在一些实施例中，s1.利用软件无线电平台生成通信信号数据，包括：
15.s11，在软件无线电平台中设定通信信号的信号类别及相关参数，其中信号类别包括数字调制信号和模拟调制信号两大类，相关参数包括采样速率、符号率以及相应的白噪声；
16.s12，利用软件无线电平台的信号源模块生成用于数字调制的信息信号和用于模拟调制的信息信号；
17.s13，利用相应的调制模块对s12生成的信息信号进行调制，得到调制信号；
18.s14，根据设定的通信信号的信号类别及相关参数，使用add模块将调制信号和噪声信号进行叠加得到通信信号数据。
19.在一些实施例中，s2.所述通信信号数据通过软件无线电平台进行信道仿真、发送接收得到仿真信道数据集和真实信道数据集，包括：
20.s21，根据s1生成的通信信号数据按照预设比例分成第一部分通信信号数据和第二部分通信信号数据；
21.s22，将第一部分通信信号数据通过软件无线电平台模拟的信道模块，生成仿真信道数据集；其中所述软件无线电平台模拟的信道模块包括采样率偏移模块、中心频率偏移模块、选择性衰落模块；
22.s23，将第二部分通信信号通过软件无线电平台的uhd模块和通用软件无线电外设usrp进行发送接收，得到真实信道数据集。
23.进一步地，所述预设比例为8：2。
24.在一些实施例中，对所述仿真信道数据集和真实信道数据集中的信道数据进行预处理和特征提取，包括：
25.s31：对信道数据进行带内滤波处理；
26.s32：对带内滤波处理后的信道数据进行中心频率和码速率估计；
27.s33：根据估计得到的中心频率和码速率对通信信号进行分离得到m组不同类型不同阶数的调制信号；
28.s34：对s33得到的m组调制信号分别进行特征提取。
29.在一些实施例中，提取到的特征包括瞬时相位、瞬时频率、高阶累积量、绝对相位标准差、直接相位标准差、绝对频率标准差。
30.在一些实施例中，所述信号类别包括数字调制信号和模拟调制信号。
31.在一些实施例中，s4.根据标注后的仿真信道数据集和真实信道数据集构建训练集和测试集，包括：
32.将85％的仿真信道数据集作为训练集，将余下15％的仿真信道数据集和全部真实信道数据集作为测试集。
33.在一些实施例中，所述胶囊神经网络的处理过程包括：
34.所述胶囊神经网络依次包括：卷积层、m个支路、全连接层和分类层；
35.通信信号被处理成为二维数据输入卷积层得到特征图，所述卷积层大小为64
×
64，采用卷积核大小为6
×
6，深度为10，步长为1，同时使用relu激活函数；
36.每个支路均包括初始胶囊层和数字胶囊层，在初始胶囊层中，采用卷积核大小为3
×
3，深度为20，步长为1的卷积核，对卷积层得到的特征图进行展平，得到16个20维向量的初级胶囊；数字胶囊层中的输出胶囊个数为1，维数为10，初始胶囊层的胶囊向量通过动态路由算法以及非线性激活函数得到；
37.全连接层将m个支路的输出整合成一个m维的向量n，n中每个元素的值将代表其对应的调制类型出现在输入数据中的可能性；
38.m维的向量n输入分类层得到分类的结果。
39.在一些实施例中，利用所述训练集和测试集对胶囊神经网络进行训练，得到训练好的胶囊神经网络，包括：
40.将训练集中的一维通信信号转换为二维信号输入胶囊神经网络中并进行训练；
41.将测试集输入训练后的胶囊神经网络，比较结果误差改进网络，具体包括：
42.将测试集中的仿真信道数据集和真实信道数据集分别输入训练后的胶囊神经网络进行测试，通过对比仿真信道测试集与真实信道测试集通过网络之后的精度值和相应的损失函数的值之间的差别，优化卷积层的特征提取算法与胶囊层特征分类的算法；
43.或者将仿真信道数据集与真实信道数据集一同进行训练与测试，改良神经网络，提高神经网络的泛化能力。
44.第二方面，本发明提供了一种通信信号识别装置，包括处理器及存储介质；
45.所述存储介质用于存储指令；
46.所述处理器用于根据所述指令进行操作以执行根据第一方面所述的方法。
47.第三方面，本发明提供了一种设备，包括，
48.存储器；
49.处理器；
50.以及
51.计算机程序；
52.其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现上述第一方面所述的方法。
53.第四方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。
54.有益效果：本发明提供的基于软件无线电和胶囊神经网络的通信信号识别方法，具有以下优点：基于软件无线电和胶囊神经网络的通信信号识别方法，不仅可以通过软件无线电的软件系统平台和通用硬件外设等生成庞大且符合需要的数据集，还可以通过一种具有拓扑结构的胶囊神经网络实行多支路工作，从而提高神经网络结构性能。
55.以及本发明提出的胶囊神经网络可以实现比其他神经网络更好的精度，本文还提出使用真实信道数据集与仿真信道数据集对胶囊网络进行优化，可以提高神经网络的泛化能力。
附图说明
56.图1为根据本发明一实施例的方法流程示意图。
57.图2为根据本发明一实施例中gnu radio的仿真信道模型图。
58.图3为根据本发明一实施例中胶囊神经网络流程图。
59.图4为根据本发明一实施例中动态路由算法的示意图。
具体实施方式
60.下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
61.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
62.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
63.实施例1
64.第一方面，本实施例提供了一种通信信号识别方法，包括：
65.s1.利用软件无线电平台生成通信信号数据；
66.s2.所述通信信号数据通过软件无线电平台进行信道仿真、发送接收得到仿真信道数据集和真实信道数据集；
67.s3.对所述仿真信道数据集和真实信道数据集中的信道数据进行预处理和特征提取，根据提取到的特征的判断标准得到信号类别，并将对应的信道数据的信号类别进行标注；
68.s4.根据标注后的仿真信道数据集和真实信道数据集构建训练集和测试集；
69.s5.利用所述训练集和测试集对胶囊神经网络进行训练，得到训练好的胶囊神经网络；
70.s6.将目标通信信号输入训练好的胶囊神经网络，获得目标通信信号的识别结果。
71.在一些实施例中，一种基于软件无线电sdr和胶囊神经网络的通信信号识别方法，如图1所示，具体包括如下步骤：
72.s1.利用软件无线电平台生成通信信号数据；
73.s11，在软件无线电平台中设定通信信号的信号类别及相关参数，其中信号类别包括数字调制信号和模拟调制信号两大类，相关参数包括采样速率、符号率以及相应的白噪声；
74.s12，利用软件无线电平台的信号源模块生成用于数字调制的信息信号和用于模拟调制的信息信号；
75.s13，利用相应的调制模块对s12生成的信息信号进行调制，得到调制信号；
76.s14，根据设定的通信信号的信号类别及相关参数，使用add模块将调制信号和噪声信号进行叠加得到通信信号数据。
77.相关参数的设置由gnu radio平台相应的variable以及qt gui range模块实现；利用信号源模块random source产生数字调制的信息序信号和signal source模块生成模拟调制的模拟信息信号，代表调制信号传递所传递的信息；根据设定的调制类别，使用相应的模块比如：psk mod、gfsk mod以及gmsk mod等调制模块对需要传递的信息信号进行调制操作，得到信号数据；根据所需信号的要求，使用add模块将需要的单个信号以及噪声信号就进行叠加得到混叠信号。
78.s2所述通信信号数据通过软件无线电平台进行信道仿真、发送接收得到仿真信道数据集和真实信道数据集；
79.s21，根据s1生成的通信信号数据按照预设比例分成第一部分通信信号数据和第二部分通信信号数据；
80.s22，将第一部分通信信号数据通过软件无线电平台模拟的信道模块，生成仿真信道数据集；其中所述软件无线电平台模拟的信道模块包括采样率偏移模块、中心频率偏移模块、选择性衰落模块；
81.s23，将第二部分通信信号通过软件无线电平台的uhd模块和通用软件无线电外设usrp进行发送接收，得到真实信道数据集。
82.在一些实施例中，根据s1生成的通信信号数据按照8：2的比例分成两个部分；将80％的通信信号数据通过gnu radio平台模拟的信道比如采样率偏移模块(sro模块)、中心频率偏移模块(cfo模块)以及选择性衰落模块等信道仿真模块后，生成经过仿真信道的仿真信道数据集。将余下20％得的通信信号数据通过gnu radio平台的uhd模块以及通用软件无线电外设(usrp b210)，进行真实信道的传输，得到真实信道数据集；根据完成信道干扰得到的信道数据集进行下一步处理。
83.s3：对所述仿真信道数据集和真实信道数据集中的信道数据进行预处理和特征提取，根据提取到的特征的判断标准得到信号类别，并将对应的信道数据的信号类别进行标注；
84.s31：对信道数据进行带内滤波处理；
85.s32：对带内滤波处理后的信道数据进行中心频率和码速率估计；
86.s33：根据估计得到的中心频率和码速率对通信信号进行分离得到m组不同类型不同阶数的调制信号；
87.s34：对s33得到的m组调制信号分别进行特征提取。
88.提取到的特征包括瞬时相位、瞬时频率、高阶累积量、绝对相位标准差、直接相位标准差、绝对频率标准差；所述信号类别包括数字调制信号和模拟调制信号。
89.根据提取到的特征的判断标准分别出相关调制信号类别，并将相应的数据打上标签。
90.s4：根据标注后的仿真信道数据集和真实信道数据集构建训练集和测试集，包括：
91.将85％的仿真信道数据集作为训练集，将余下15％的仿真信道数据集和全部真实信道数据集作为测试集。
92.在一些实施例中，利用所述训练集和测试集对胶囊神经网络进行训练，得到训练好的胶囊神经网络；包括：
93.s5：初始化胶囊神经网络参数，将训练集中的一维通信信号转换为二维信号输入
胶囊神经网络中并进行训练；
94.s6：将测试集中的仿真信道数据集和真实信道数据集分别输入训练后的胶囊神经网络进行测试，通过对比仿真信道测试集与真实信道测试集通过网络之后的精度值和相应的损失函数的值之间的差别，优化卷积层的特征提取算法与胶囊层特征分类的算法；
95.或者将仿真信道数据集与真实信道数据集一同进行训练与测试，改良神经网络，提高神经网络的泛化能力。
96.s7：将目标通信信号输入训练好的胶囊神经网络，获得目标通信信号的识别结果。
97.在一些实施例中，如图2所示，步骤s2中，通信信号数据通过的仿真信道由gnu radio动态信道模块组成。
98.其中，sro为采样率偏移模型；cfo为中心频率偏移模型；awgn为噪声模型，主要完成加性高斯白噪声的实现。将80％的信号集随机的划分若干份，依次通过采样率偏移模型、中心频率偏移模型、选择性衰落模型以及噪声模型，且模型中的相关参数如采样率以及最大跳跃值等可以通过qt gui range模块控制，从而改变达到我们需要的值。
99.如图3所示，所述胶囊神经网络为具有拓扑结构的胶囊网络，该网络首先就是卷积层，在卷积层中，调制数据信号被处理成为二维数据作为输入，大小为64
×
64，采用卷积核大小为6
×
6，深度为10，步长为1，同时使用relu激活函数；其次会产生m个支路，每个支路都包含初始胶囊层和数字胶囊层，在初始胶囊层中，采用卷积核大小为3
×
3，深度为20，步长为1的卷积核，对得到的特征图进行展平，得到16个20维向量的初级胶囊；数字胶囊层中的输出胶囊个数为1，维数为10，由初始胶囊层的胶囊向量通过动态路由算法以及非线性激活函数得到。再其次是全连接层，将m个支路的输出整合成一个m维的向量n，n中每个元素的值将代表其对应的调制类型出现在输入数据中的可能性。最后，将m维向量输入分类层得到分类的结果。
100.如图4所示，动态路由算法过程具体包括如下步骤：
101.s51,每个初级胶囊乘以一个独立的权重矩阵来预测每个数字胶囊，计算公式如下：
[0102][0103]
其中，ui为第i个初级胶囊，w
ij
为权值矩阵，表示输入为ui时的预测向量；
[0104]
s52,将每个预测向量和对应的耦合系数h
ij
相乘后求和得到数字胶囊层的输入，计算公式如下：
[0105][0106]
其中耦合系数h
ij
满足由归一化指数函数(softmax函数)求出，如下式所示：
[0107][0108]
其中b
ij
是先验概率的对数表示，初始值为0。
[0109]
s53，将数字胶囊层的输入qj通过非线性激活函数squashing得到数字胶囊层的输出，计算公式如下：
[0110][0111]
其中fs为非线性函数，确保向量方向不变的情况下将向量长度压缩到0到1之间；
[0112]
s54，通过测量输出向量与预测向量的一致性，并借助该测量的一致性迭代地更新耦合系数，计算公式如式(5)所示；
[0113][0114]
然后返回s52进行下一次迭代，经过k次迭代过后获得数字胶囊网络的最终输出。
[0115]
实施例2
[0116]
第二方面，基于实施例1，本实施例提供了一种通信信号识别装置，包括处理器及存储介质；
[0117]
所述存储介质用于存储指令；
[0118]
所述处理器用于根据所述指令进行操作以执行根据实施例1所述的方法。
[0119]
实施例3
[0120]
第三方面，基于实施例1，本实施例提供了一种设备，包括，
[0121]
存储器；
[0122]
处理器；
[0123]
以及
[0124]
计算机程序；
[0125]
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现实施例1所述的方法。
[0126]
实施例4
[0127]
第四方面，基于实施例1，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的方法。
[0128]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0129]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0130]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0131]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0132]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种通信信号识别方法，其特征在于，所述方法包括：s1.利用软件无线电平台生成通信信号数据；s2.所述通信信号数据通过软件无线电平台进行信道仿真、发送接收得到仿真信道数据集和真实信道数据集；s3.对所述仿真信道数据集和真实信道数据集中的信道数据进行预处理和特征提取，根据提取到的特征的判断标准得到信号类别，并将对应的信道数据的信号类别进行标注；s4.根据标注后的仿真信道数据集和真实信道数据集构建训练集和测试集；s5.利用所述训练集和测试集对胶囊神经网络进行训练，得到训练好的胶囊神经网络；s6.将目标通信信号输入训练好的胶囊神经网络，获得目标通信信号的识别结果。2.根据权利要求1所述的通信信号识别方法，其特征在于，s1.利用软件无线电平台生成通信信号数据，包括：s11，在软件无线电平台中设定通信信号的信号类别及相关参数，其中信号类别包括数字调制信号和模拟调制信号两大类，相关参数包括采样速率、符号率以及相应的白噪声；s12，利用软件无线电平台的信号源模块生成用于数字调制的信息信号和用于模拟调制的信息信号；s13，利用相应的调制模块对s12生成的信息信号进行调制，得到调制信号；s14，根据设定的通信信号的信号类别及相关参数，使用add模块将调制信号和噪声信号进行叠加得到通信信号数据。3.根据权利要求1所述的通信信号识别方法，其特征在于，s2.所述通信信号数据通过软件无线电平台进行信道仿真、发送接收得到仿真信道数据集和真实信道数据集，包括：s21，根据s1生成的通信信号数据按照预设比例分成第一部分通信信号数据和第二部分通信信号数据；s22，将第一部分通信信号数据通过软件无线电平台模拟的信道模块，生成仿真信道数据集；其中所述软件无线电平台模拟的信道模块包括采样率偏移模块、中心频率偏移模块、选择性衰落模块；s23，将第二部分通信信号通过软件无线电平台的uhd模块和通用软件无线电外设usrp进行发送接收，得到真实信道数据集。4.根据权利要求3所述的通信信号识别方法，其特征在于，所述预设比例为8：2。5.根据权利要求1所述的通信信号识别方法，其特征在于，对所述仿真信道数据集和真实信道数据集中的信道数据进行预处理和特征提取，包括：s31：对信道数据进行带内滤波处理；s32：对带内滤波处理后的信道数据进行中心频率和码速率估计；s33：根据估计得到的中心频率和码速率对通信信号进行分离得到m组不同类型不同阶数的调制信号；s34：对s33得到的m组调制信号分别进行特征提取。6.根据权利要求1所述的通信信号识别方法，其特征在于，提取到的特征包括瞬时相位、瞬时频率、高阶累积量、绝对相位标准差、直接相位标准差、绝对频率标准差；和/或，所述信号类别包括数字调制信号和模拟调制信号。7.根据权利要求1所述的通信信号识别方法，其特征在于，s4.根据标注后的仿真信道
数据集和真实信道数据集构建训练集和测试集，包括：将85％的仿真信道数据集作为训练集，将余下15％的仿真信道数据集和全部真实信道数据集作为测试集。8.根据权利要求1所述的通信信号识别方法，其特征在于，所述胶囊神经网络的处理过程包括：所述胶囊神经网络依次包括：卷积层、m个支路、全连接层和分类层；通信信号被处理成为二维数据输入卷积层得到特征图，所述卷积层大小为64
×
64，采用卷积核大小为6
×
6，深度为10，步长为1，同时使用relu激活函数；每个支路均包括初始胶囊层和数字胶囊层，在初始胶囊层中，采用卷积核大小为3
×
3，深度为20，步长为1的卷积核，对卷积层得到的特征图进行展平，得到16个20维向量的初级胶囊；数字胶囊层中的输出胶囊个数为1，维数为10，初始胶囊层的胶囊向量通过动态路由算法以及非线性激活函数得到；全连接层将m个支路的输出整合成一个m维的向量n，n中每个元素的值将代表其对应的调制类型出现在输入数据中的可能性；m维的向量n输入分类层得到分类的结果。9.根据权利要求8所述的通信信号识别方法，其特征在于，利用所述训练集和测试集对胶囊神经网络进行训练，得到训练好的胶囊神经网络，包括：将训练集中的一维通信信号转换为二维信号输入胶囊神经网络中并进行训练；将测试集输入训练后的胶囊神经网络，比较结果误差改进网络，具体包括：将测试集中的仿真信道数据集和真实信道数据集分别输入训练后的胶囊神经网络进行测试，通过对比仿真信道测试集与真实信道测试集通过网络之后的精度值和相应的损失函数的值之间的差别，优化卷积层的特征提取算法与胶囊层特征分类的算法；或者将仿真信道数据集与真实信道数据集一同进行训练与测试，改良神经网络，提高神经网络的泛化能力。10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一项所述的方法。

技术总结
本发明公开了一种基于软件无线电和胶囊神经网络的通信信号识别方法，包括：利用软件无线电平台生成通信信号数据；通信信号数据通过软件无线电平台进行信道仿真、发送接收得到仿真信道数据集和真实信道数据集；对信道数据进行预处理和特征提取，根据提取到的特征的判断标准得到信号类别，并将对应的信道数据的信号类别进行标注；根据标注后的仿真信道数据集和真实信道数据集构建训练集和测试集；利用训练集和测试集对胶囊神经网络进行训练，得到训练好的胶囊神经网络；将目标通信信号输入训练好的胶囊神经网络，获得目标通信信号的识别结果。用开源的软件无线电平台提供了数据集的供应，并基于胶囊神经网络提取的多维丰富特征，提高了识别精度。提高了识别精度。提高了识别精度。


技术研发人员：涂刚毅 汪震 宋宇 杨炀 武姿言
受保护的技术使用者：南京信息工程大学
技术研发日：2023.05.25
技术公布日：2023/9/12